k、batman、Bumblebee和wizard。你可以尝试所有其他可能性。 Funky pop （Yoda/Superman/iron Man/Mai Shiranui/shark/batman/Bumblebee/wizard） figurine, made of plastic, product studio shot, on a white background, diffused lighting, centered 这类图片直接发一个 NFT 项目绰绰有余，每个都是 1/1，你只需要告诉 AI 想要什么。 模块建筑 这段描述词中的 temple 可以改也可以不改，都可以做出不错的效果图。 Tiny cute isometric temple, soft smooth lighting, soft colors, soft colors, 100mm lens, 3d blender render, trending on polycount, modular constructivism, blue blackground, physically based rendering, centered 这类图片可以构建一个土地NFT项目或者游戏中的建筑。 3D矢量风格动物 通过改变粗体内容，生成不同的矢量动物形象 kawaii low poly panda character, 3d isometric render, white background, ambient occlusion, unity engi 3D游戏风格房间 可改变粗体内容，生成不同的房间 Tiny cute isometric living room in a cutaway box, soft smooth lighting, soft colors, purple and blue color scheme, soft colors, 100mm lens, 3d blender render 通过以上案例我们可以看到，AIGC 可以在图片设计上辅助甚至取代画师，你可以创造出独一无二的艺术风格、角色，而不需要掌握绘画的技巧，这是生产力的极大进步。 模型训练 以上工作流使用的是开源的 Stable Diffusion 通用模型，它无法生成模型素材中不存在的东西，比如你无法让它生成一只无聊猿，模型本身也不知道什么是无聊猿，所以它存在局限性和时效性。为了解决以上提到的问题，我们可以训练自己的模型，将需要的素材都放进去，从而使模型输出内容符合我们的预期，这在 NFT 二创、扩展，GameFi 辅助设计等方面都有很大的应用潜力。 展示几张我训练的无聊猿模型二创成图效果，从左到右分别是蝙蝠侠风格，黏土风格，毕加索抽象风格和黄金材质： 当然也可以控制生成与原本项目图片相似度极高的图片，下列四张图片有两张原图，两张用无聊猿模型生成的图，几乎很难分辨，你可以猜一下，后面我会揭晓答案。 模型训练原理很简单，用自己提供的图片训练出一个专属模型，但是让普通人从零开始训练一个AIGC模型是很困难的，好在Stable Diffusion 给我们提供了一些比较简单的模型训练方法。 现在常用的技术方案有三种：Fine-Tuning、DreamBooth、Textual-Inversion 特性解释： Fine-Tuning -- 模型训练、原生框架 优点：功能最全，效果最好，prompt 控制精确，是优质精细模型的统一技术方案 缺点：训练复杂，硬件要求高，训练时间长，训练图片需要标记词 DreamBooth -- 模型训练、简易框架、添加特殊标识符 优点：训练简单、速度快、硬件要求相对低、不需要精确的图片标记词，能较好地生成不同风格的图片，开放模型最常用方案 缺点：受限于 [X][类别] 的表示方式，训练SD模型中不存在的类效果会差一些，整体出图质量低于Fine-Tune，模型文件：2-4G Textual-Inversion -- 新定义特征向量，不改变模型本身 优点：需要图片数量少：3-5张，训练文件小：几十KB 缺点：对于原SD中不存在的创新的物体、画风等出图效果不好，暂无商业用例 综合考虑成本与难度，新手推荐使用 DreamBooth 训练自己的模型，这里我给大家找了一个最简单的Colab版本，它可以使用谷歌免费的服务器训练模型并生成图片，前期需要处理的素材也最少。 训练模型之前，你需要训练使用的准备图片，初次尝试最好在10张左右，尺寸512*512，如果图片尺寸不合适可以使用 BIRME 等工具调整。 打开上面的链接，也就是：https://colab.research.google.com/github/TheLastBen/fast-stable-diffusion/blob/main/fast-DreamBooth.ipynb 主页显示如下，这是一个即时更新的页面，它不会保存你的更改，你可以直接在这个页面使用，或者点击“文件”选择“在云端硬盘中保存一份副本”，打开副本页，这个页面会保存你的所有更改。 之后我们开始模型训练，首先点击第一行的运行按钮，连接Google云端硬盘，安装到gdrive。 运行完成后在按钮前面会出现绿色的对勾，右上角RAM/磁盘也出现绿色对勾，后面每段程序运行完成的标志都是这个小对勾。上一段程序运行结束后，点击下一段的按钮继续运行。 接下来安装依赖，下载模型 开始正式训练，首先为你的模型起个名字。 上传图片，点击运行后会出现“选择文件”按钮，选定图片后上传，我这里选择了八张 CloneX 的图片作为训练素材，并为它们命名为 CloneX1-8，这里对图片的命名不要与已有单词相同，它是对你训练素材的特殊标记。图片命名方式可以参考下图。 运行 Captions，并跳过 Concept images 开始训练，训练步数设置为图片数量*100，我是用了八张图片，这里选择 800，其他参数暂时不需要调整，等后面熟练掌握了模型训练方法再进行更精准的训练。 点击运行，出现以下界面表示训练开始，等待训练完成。这里有两个训练过程，一个是训练文字，一个是训练图片。 训练完成后直接运行测试模型，这里不需要调整参数。 程序运行完后会出现一个链接，点击打开到可以作图的 WebUI 界面。 WebUI 的主页如下，1处选择使用的模型，2处输入描述词，也就是你对想要输出图片的内容，3处输入负面描述词，也就是你不想要图片出现什么内容，3可以空着不填。填写完描述词后点击生成图片。 因为我们对图片的标记是CloneX，所以我们生成图片时前部分要指定主体，这里推荐固定句式“a picture of clonex with + ......”，with 后面加对图片的描述，每个描述词（短语）之间用逗号隔开。 简单测试，这里输入提示词“a picture of clonex with beautiful girl, red hair”，结果应该会出现一个红色头发的女生CloneX形象，效果如下图： 测试2，输入提示词：“a picture of clonex with beautiful girl, Long green hair, black coat, yellow eyes”也就是绿色长发、黑色外套、黄色眼镜的女CloneX，生成效果如下 从以上两个简单测试来看，用10张以内的素材图片训练的模型就可以很好的生成想要的图片，而且这些CloneX是原本不存在的，是你创造了它们！以后喂10张图给AI，它可以给你10,000张图，这是生产力质的提升。 我把这个训练的模型上传到了 Huggingface，有兴趣的朋友可以拿去玩，在训练过程中遇到什么问题也可以联系我。链接：https://huggingface.co/wheart/clonexnft 揭晓答案，无聊猿那四张图片，前两张是AI生成的，后面两张是原图。 现有AI+Web3项目简析 随着 AIGC 的兴起、ChatGPT 的爆火、微软对 AI 百亿投资等事件的铺垫，Crypto 很多 AI 项目也得到了更多的关注，诸如 AGIX 之类的 AI 概念 Token 都迎来了一波不错的涨幅。但是就目前这些 AI+Web3 的项目来看，我并没有发现真正有想象力的产品。这段时间受到关注的项目大都是很久之前的老项目，所以只能看作是版块轮动带动了它们，长线来看没有好的标的。如果后面出现基于新 AI 技术做的产品或许可以关注。 目前很多 Crypto 大佬，像 CZ、Vitalik 都对 AI 技术产生了兴趣，所以对于 AI+Web3 之后的发展，我个人认为还是值得期待的。 总结 综合来看，目前 AIGC 在 Web3 的应用还处于非常初级的阶段。现阶段利用好 AI 工具可以对项目的设计、开发、运营工作提供极大的便利，下一阶段肯定会出现更多优秀的产品，我们要做的就是学习、使用、分析、发现，比大部分人多走一步，不错过 AIWeb3 这趟车。 来源：金色财经lg...
北美站
